基于多小波的北京市房屋市场价格的分析预测

发布时间：2021-08-31 18:18

　　针对房价波动大的数据特征,将多小波分析与房价预测问题结合,以北京市2010—2018年的房屋数据作为研究对象,探究了利用Haar小波变换、Daubechies系列小波变换以及基于过采样预处理的GHM多小波变换和CL多小波变换处理房价数据的分解重构效果,并通过对高频系数进行门限阈值量化重构处理以达到去噪的目的;建立支持向量机（SVM）预测模型,通过探究4种小波处理方法对房屋价格预测的影响结果,给出了相应预测效果更佳的数据处理方法和选择依据。 

【文章来源】：北京化工大学学报(自然科学版). 2019,46(05)北大核心CSCD

【文章页数】：6 页

【部分图文】：

图15层小波分解树示意图Fig．1Afive-layerwaveletdecompositiontreediagram

(x，y)+)b(9)根据式(6)判别x的类别，即为预测值。2模型建立2.1数据处理及分析收集北京市房屋市场2010—2018年的421891条相关数据，包括每天每笔成交的单价、面积、户型、朝向、装修类别、电梯数、楼层、总层数、建造年代、房屋结构、所处区域等相关指标，删除其中有缺失值的记录。由于收集的数据来自于每天成交网站，考虑到房价的时间成本，将单价以0.7%的贴现率按季度贴现成现值。处理后的房价数据原始状态散点图如图2所示。图2北京市房价与时间散点图Fig．2Beijinghousepriceandtimescatterchart由图2可以看出，在本预测模型中，房价数据信噪比低，信噪难以有效分离;且数据维数高、波动大，不能直接应用于预测模型。利用小波变换可将任一时间段内的数据高频部分和低频部分分离，用高频部分反映房屋市场的短期变化趋势，低频部分反映中、长期变化趋势，使数据适用于传统预测模型。2.2小波基的选择小波基可以用较少非零小波系数有效逼近实际函数，这一特性被广泛应用于数据压缩、信号去噪以及快速计算中，所以选择小波基应以最大量产生接近于零的小波系数为最优［10］。在小波分析的应用中，不同的小波基或小波函数的选取会产生不同的结果，要把握小波函数的特征，包括消失矩、正则性、紧支性、对称性以及正交性和双正交性等，根据应用的需要选择合适的小波基。表1简要概括了常用小波基的特点［11］。本文基于小波基的特点选取了最简单的Haar小波基函数以及目前应用最广的Daubechies(Db)系列小波进行研究。表1常用小波基特点T

【参考文献】：
期刊论文
[1]一种商品房价格预测方法[J]. 李佳音.  商品与质量. 2011(S9)
[2]支持向量机理论与算法研究综述[J]. 丁世飞,齐丙娟,谭红艳.  电子科技大学学报. 2011(01)
[3]SVM分类核函数及参数选择比较[J]. 奉国和.  计算机工程与应用. 2011(03)
[4]基于TEI@I方法论的房价预测方法[J]. 闫妍,许伟,部慧,宋洋,张文,袁宏,汪寿阳.  系统工程理论与实践. 2007(07)
[5]灰色马尔可夫模型在房价指数预测中的应用[J]. 杨楠,邢力聪.  统计与信息论坛. 2006(05)



本文编号：3375380